English(EN) Imputation-free transformer learning enables robust Alzheimer's disease prediction and calibrated uncertainty quantification across heterogeneous clinical cohorts

新型NITROGEN Transformer模型增强阿尔茨海默病预测能力

作者 PulseAugur 编辑部 · [2 个来源] · 2026-07-13 15:05

研究人员开发了NITROGEN，一种新颖的、无需插补的Transformer模型，旨在从异构临床数据中改进阿尔茨海默病的预测。该模型通过联合建模患者内部特征依赖关系和患者之间关系，解决了传统插补方法的局限性。在包括ADNI、OASIS-3和AIBL在内的大型数据集上进行评估，NITROGEN展示了稳健的校准和不确定性量化能力，在保持竞争性准确度的同时，性能优于基于树的集成方法。研究还强调了在临床部署中评估模型在校准、可解释性和跨队列可靠性方面的重要性。 AI

影响这项研究可能带来更可靠、更准确的阿尔茨海默病诊断工具，从而改善临床评估和患者预后。

排序理由该集群包含一篇详细介绍新型机器学习模型及其在临床数据上评估的研究论文。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。我们如何撰写摘要 →

报道来源 [2]

arXiv cs.LG TIER_1 English(EN) · Christelle Schneuwly Diaz, Narmina Baghirova, Duy-Thanh Vu, Duy-Cat Can, Gilles Allali, Philippe Ryvlin, Oliver Y. Ch\'en · 2026-07-14 04:00

Imputation-free transformer learning enables robust Alzheimer's disease prediction and calibrated uncertainty quantification across heterogeneous clinical cohorts

arXiv:2607.11656v1 Announce Type: cross Abstract: Accurate diagnostic classification and disease-severity prediction for Alzheimer's disease are hampered by the incompleteness and heterogeneity of real-world clinical data. Left unaddressed, these barriers prevent reliable disease…
arXiv cs.LG TIER_1 English(EN) · Oliver Y. Chén · 2026-07-13 15:05

无需插补的Transformer学习可实现对异构临床队列的稳健阿尔茨海默病预测和校准不确定性量化

Accurate diagnostic classification and disease-severity prediction for Alzheimer's disease are hampered by the incompleteness and heterogeneity of real-world clinical data. Left unaddressed, these barriers prevent reliable disease modelling and hinder effective clinical evaluatio…

报道来源 [2]

Imputation-free transformer learning enables robust Alzheimer's disease prediction and calibrated uncertainty quantification across heterogeneous clinical cohorts

无需插补的Transformer学习可实现对异构临床队列的稳健阿尔茨海默病预测和校准不确定性量化

相关实体

相关话题